هوش ازدحامی
هوش ازدحامی نوعی روش هوش مصنوعی، مبتنی بر رفتار های جمعی می باشد. هوش ازدحامی یک چارچوب بر اساس رفتار جانداران اجتماعی مانند زنبورعسل ، مورچه، ماهی ها و پرندگان در راه و روش همکاری برای انجام کارهای پیچیده و سخت منحصربفرد هستند. این همکاری در کل جمعیت بدون هیچ گونه کنترل مرکزی فعّال می‌باشد. هر جانور به سادگی از یک مجموعه قوانینی کوچک پیروی می کند که این قوانین تحت تأثیر اطلاعات محلّی می باشند. این رفتار نوظهور نتیجۀ موقعیّت گروهی است که هیچ عضوی به تنهایی نمی تواند آن را انجام دهد. خصوصیات دیگر سیستم های دارای هوش ازدحامی شامل: مقاومت در برابر رفتار سایر اعضای گروه یا از بین رفتن یکی از اعضای گروه، انعطاف پذیری در مقابل تغییر سریع محیط پویا ، و یک موازی سازی ذاتی یا رفتار توزیع شده می‌باشند. چهار اصل در هوش ازدحامی وجود دارند که آنها را هدایت می کنند:

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

بازخور مثبت: تقویت کردن راه حل های خوب مشاهده شده در سیستم
بازخور منفی: حذف کردن راه حل های قدیمی یا ضعیف
تصادفی بودن: راه حل ها می توانند بدون در نظر گرفتن کیفیت درج شده آزمایش شوند. این می تواند باعث بوجود آمدن نتایج خلاقانه و جدید غیر معمول گردد، که به ترتیب نتیجه اش خلاقیت^[۳۵] و راه حل های غیرمتعارف است.
تعامل چندگانه: کلید اصلی تقویت کردن راه حل های خوب
با فهمیدن این خصوصیات و اعمال درست آنها ، سیستم های هوش گروهی می توانند طراحی شوند. هر اصل فوق یک نقش مشخصی را در هدایت سیستم ایفا می کند. اصل هوش گروهی می تواند به کاربرد های متنوع دیگر ، فراتر از شبکه های کامپیوتری نیز اعمال شوند.بطورکلی زمانی می توانیم از هوش جمعی یا ازدحامی یاد کنیم که مؤلفه های زیر را دارا باشد.
شکل ‏۳‑۶.
کاربردهای الگوریتم بهینه سازی توده ذرّات
انواع مسائل بهینه سازی پیوسته و گسسته
مدل سازی و کنترل
مدیریت سیستم های تولید و توزیع نیرو
طراحی و بهینه سازی شبکه های ارتباطی
پیش بینی و مدل سازی مدل های اقتصادی
طراحی سیستم های خودکار و رباتیک
مراحل اجرای الگوریتم بهینه سازی توده ذرّات
مرحلۀ اول: موقعیت و سرعت اولیۀ ذرّات در محدودۀ مجاز به صورت تصادفی تولید می شود.
مرحلۀ دوم: محاسبۀ مقدار تابع هدف برای هر ذرّۀ i باتوجه به مکان هر ذرّه
مرحلۀ سوم: در تکرار اول برای هر ذرّه برابر با موقعیّت اولیه اش درنظر گرفته می شود. همچنین برترین ذرّه () در میان ذرّات از نظر میزان شایستگی در تابع هدف تعیین می شود.
مرحلۀ چهارم: سرعت و موقعیّت جددید هر ذرّه با بهره گرفتن از روابط (۳-۳) و (۳-۴) محاسبه می گردد.
مرحلۀ پنجم: تابع هدف برای هر ذرّه محاسبه می شود."کندی وابرهارت ،۱۹۹۵”
توپولوژی یا ساختار شبکۀ اجتماعی
برای هریک از ذرّات باید همسایگی تعریف شده باشد. در واقع این همسایگی تعیین کنندۀ میزان تعامل اجتماعی و حرکات ذرّات در گروه می باشد. وقتی همسایگی ذرّات کوچک باشد تعامل کمتر اتفاق می افتد وهمگرایی آهسته تر خواهد بود اما کیفیت راه حل ها را بهبود می بخشد. برای همسایگی های بزرگ تر همگرایی سریع تر خواهد بود اما خطر همگرایی زودرس وجود دارد . برای حل این مشکل، فرایند جستجو با همسایگی های کوچک شروع می شود و پس از آن اندازۀ همسایگی با گذشت زمان افزایش یافته است. در واقع این روش ابتدا باعث تنوّع جستجو و با گذشت زمان باعث همگرایی می شود. در الگوریتم ازدحام ذرّات تعامل اجتماعی در میان تمام دسته ها وجود دارد، ذرّات با یکدیگر ارتباط برقرار کرده و در مورد موقعیّت هر ذرّه در گروه تبادل اطلاعات می کنند. هنگامی که یک ذرّه در تمام گروه موقعیّت بهتری می یابد تمام ذرّات به سمت این ذرّه حرکت می کنند، در واقع، گردش اطلاعات از طریق گروه و حرکت بسوی ذرّۀ بهتر، بستگی به ساختار همسایگی دارد. بعضی از ساختارهمسایگی ها در زیر مورد بحث قرار می گیرد:
شکل ‏۳‑۷. تعدادی از ساختار شبکۀ اجتماعی
شکل (a) همسایگی ستاره ای را نشان می دهد که در این ساختار همۀ ذرّات با یکدیگر در ارتباط هستند، ارتباط بسیار بالا در بین ذرّات وجود دارد. کِنِدی و مِندِز بطور تجربی نشان دادند که همسایگی ستاره ای دارای همگرایی سریع تر نسبت به سایر مدل های همسایگی می باشد، اما آنها با جواب بهینه در زمانی زودتر از سایر مدل های همسایگی می نمایند. این نوع همسایگی ریسک قرار گرفتن در کمینۀ محلّی را افزایش می دهد و به طور کلی این ساختار یک همسایگی سراسری می باشد که اشاره به دارد.
شکل (b) همسایگی حلقه ای را نشان می دهد. فرض کنیم هر ذرّه با یک علامت مشخص شود که برای ساختار همسایگی استفاده شده است. سپس یک ذرّه K دارای دو همسایۀ K-1 و K+1 می باشد لذا یک کشش متقابل بین دو ذرّۀ متوالی وجود دارد. این نوع همسایگی سرعت همگرایی را آهسته تر می کند اما فضای جستجوی بزرگتری نسبت به همسایگی ستاره ای دارد.
شکل © همسایگی چرخشی را نشان می دهد. در این همسایگی یک ذرّه با بقیه ذرّات گروه در ارتباط می باشد، و از طریق این ارتباطات تمام اطلاعات در اختیار ذرّات قرار می گیرد. این ذرّه با مقایسۀ عملکرد تمام ذرّات موقعیّت خود را به سمت بهترین عملکرد ذرّات تنظیم می کند و سپس موقعیّت جدید را به تمام ذرّات اطلاع می دهد.
شکل (d) همسایگی چهاردسته ای یا چهارخوشه ای را نشان می دهد.که در این ساختار ازطریق دو لبۀ بین همسایگی های خوشه و یک لبه بین خوشه های مخالف با هم در ارتباط می باشند.
بررسی مشکلات الگوریتم بهینه سازی توده ذرّات
الگوریتم بهینه سازی ازدحام ذرّات دارای چندین نقطه ضعف می باشد. در این الگوریتم، احتمال قرار گرفتن ذرّات در بهینۀ محلّی وجود دارد. هر چند که PSO نسبت به کلیه الگوریتم های تکاملی دارای سرعت بالاتری است اما معمولاً نمی تواند کیفیت رسیدن به راه حل را با افزایش تکرارها جبران کند. یکی از دلایل این است که در این الگوریتم ذرّات به یک نقطۀ خاص که بین بهترین موقعیّت عمومی و بهترین موقعیّت شخصی قرار دارد همگرا می شوند. برای برطرف کردن این نقطه ضعف تغییرات زیادی در PSO اعمال شد . یکی از این تغییرات وزن اینرسی (W) می باشد. عبارت وزن اینرسی اولین بار توسط شای و ابرهارت در سال ۱۹۹۸ معرفی گردید. این وضع در واقع درصدی از سرعت قبلی ذرّه را در محاسبۀ سرعت جدید تأثیر می دهد. هرچه این مقدار بیشتر باشد جستجوی عمومی افزایش می یابد و هرچه این وزن کمتر باشد میزان جستجوی محلّی افزایش می یابد.
نقطه ضعف دیگر، وابستگی این روش به مسأله می باشد. این وابستگی باعث می شود پارامتر ها و ضرایب بهینۀ الگوریتم برای مسائل مختلف متفاوت باشند و در کل نمی توان یک پارامتر را برای کلیۀ مسائل بکاربرد.
یکی دیگر از عیب های عمدۀ الگوریتم این است که هر ذرّه به تنهایی یک بردار n بعدی را نمایش می دهد که معرّف یک پاسخ یا راه حل برای مسأله می باشد. گاهی امکان دارد که قسمت هایی از این بردار به پاسخ صحیح نزدیک باشند در حالیکه قسمتهای دیگر بردار از پاسخ صحیح دور باشند. بنابراین در کل، این ذرّه مناسب به نظر نمی رسد و باید به موقعیّت بهتری برود. امکان دارد که آن قسمت هایی از بردار ذرّه که به جواب نزدیک بوده اند در طی به روز نمودن موقعیّت ذرّه جدید ، از پاسخ جدید فاصله بگیرند. بنابراین اطلاعات مفید از بین می رود. یکی از نمونه الگوریتم هایی که سعی در برطرف کردن این مشکل نموده است، الگوریتمCPSO^[36]، نام دارد.
معادلات توصیف کنندۀ رفتار ذرّات
(۳-۳)
(۳-۴)
سمت راست معادلۀ (۳-۳) که از سه قسمت تشکیل شده است، قسمت اول، سرعت فعلی ذرّه می باشد، قسمت دوم، برای تغییر سرعت و چرخش ذرّه به طرف بهترین تجربۀ شخصی می باشد و قسمت سوم نیز باعث تغییر سرعت و چرخش ذره به طرف بهترین تجربۀ گروهی می باشد. در واقع حرکت بهینه سازی گروه ذرّات بدون قسمت اول معادلۀ (۳-۳) فرآیندی خواهد بود کی طی آن فضای جستجو به تدریج کوچک می شود و جستجوی محلّی حول بهترین ذرّه شکل می گیرد، اما در مقابل قسمت اول معادلۀ (۳-۳) باعث حرکت ذرّات در مسیر عادّی خود خواهد بود تا به دیوارۀ محدودۀ جستجو برسد و به نوعی جستجوی سراسری انجام دهد.
پارامترهای الگوریتم بهینه سازی توده ذرّات
اندازۀ گروه
هرگاه تعداد ذرّات زیاد باشد و ذرّات در فضای جستجو بطور یکنواخت توزیع شده باشند، تنوّع در بین ذرّات زیاد شده و الگوریتم راندمان بالاتری می یابد. البته باید توجه شود که تعداد زیاد ذرّات در پیچیدگی الگوریتم ارتباط مستقیم دارد. هرچه نسبت به زمانی که تعداد ذرّات کم است، تعداد تکرارهای الگوریتم کمتر و زمان رسیدن به جواب بهینه کمتر است. مقدار مناسب ذرّات به مسأله بستگی دارد، در پژوهش ها معمولاً تعداد ذرّات در بازۀ [۲۰-۶۰] در نظر می گیرند.
تعداد تکرار
تعداد تکرار برای بدست آوردن یک نتیجۀ خوب وابسته به مسأله است. تعداد بیش از حد کم ممکن است فرایند جستجو قبل از یافتن جواب بهینه را متوقّف کند، در حالی که تکرار بیش از حد زیاد باشد منجر به پیچیدگی محاسبات شده و زمان بیشتری مورد نیاز است.
اندازۀ همسایگی
اندازۀ همسایگی تأثیر زیادی در تعامل بین ذرّات دارد. اندازۀ همسایگی کم، تعامل بین ذرّات را کاهش داده و سرعت همگرایی در این روش کم است و امکان قرار گرفتن ذرّه در بهینۀ محلّی را کاهش می دهد. جهت استفاده از فواید همسایگی بزرگ و کوچک ، در ابتدا اندازۀ همسایگی را کوچک و سپس بزرگ در نظر گرفته می شود.
ضرایب مؤلفه های شناختی و اجتماعی
و به ترتیب ضریب یادگیری فردی و اجتماعی نامیده می شوند که نشان دهندۀ میزان اهمیّت و ارجحیّت بهترین نقاط پیدا شده توسط خود ذرّه و جمع ذرّات می باشد. اگر==۰ باشد ذرّات فقط با سرعت خاصی بدون هدف در فضا حرکت می کنند و به حرکت خود ادامه می دهند تا به مرز فضای جستجو برسند. اگر > 0 و =۰ باشد ، ذرّات فقط به تجربۀ شخصی خود توجه می کنند واگر بالعکس آن باشد ، ذرّات فقط به بهترین فرد گروه توجه می کنند. معمولاً در بسیاری از الگوریتم ها و را ثابت در نظر می گیرند. .”کندی وابرهارت ،۱۹۹۵“
ماکزیمم سرعت
نحوۀ جستجوی عمومی و جستجوی محلّی
جدول ‏۳‑۲. پارامتر های الگوریتم بهینه سازی توده ذرّات